Context Detection

In this tutorial, we will use rule-based operations to attach additional contextual information to entities such has:

• the section in which the entity is located

• is the entity negated

• did it appear as part of a hypothesis

• it is related to the patient or it is part of their family’s medical history

NB: If you are not familiar with medkit, you should probably take a look at the First steps tutorial before going further.

Let’s start by loading a document:

from pathlib import Path
from medkit.core.text import TextDocument

doc = TextDocument.from_file(Path("../data/mtsamplesfr/1.txt"))
print(doc.text)

PLAINTE PRINCIPALE :
Thrombocytose essentielle.

ANTÉCÉDENTS DE LA MALADIE ACTUELLE : 
C'est un Monsieur de 64 ans que je suis pour une thrombocytose essentielle. Il a été initialement diagnostiqué lorsqu'il a vu un hématologue pour la première fois le 09/07/07. A cette époque, son nombre de plaquettes était de 1 240 000. Il a d'abord commencé à prendre de l'Hydrea 1000 mg par jour. Le 07/11/07, il a subi une biopsie de moelle osseuse, qui a montré une thrombocytose essentielle. Il était positif pour la mutation JAK-2. Le 11/06/07, ses plaquettes étaient à 766 000. Sa dose actuelle d'Hydrea est maintenant de 1500 mg les lundis et vendredis et de 1000 mg tous les autres jours. Il a déménagé à ABCD en décembre 2009 pour tenter d'améliorer la polyarthrite rhumatoïde de sa femme. Dans l'ensemble, il se porte bien. Il a un bon niveau d'énergie et son statut de performance ECOG est de 0. Absence de fièvre, frissons ou sueurs nocturnes. Pas d'adénopathie. Pas de nausées ni de vomissements. Aucun changement dans les habitudes intestinales ou vésicales.

MÉDICAMENTS ACTUELS : 
Hydrea 1500 mg les lundis et vendredis et 1000 mg les autres jours de la semaine, Mecir 1cp/j, vitamine D 1/j, aspirine 80 mg 1/j et vitamine C 1/j 

ALLERGIES : 
Aucune allergie médicamenteuse connue.

EXAMEN DES SYSTÈMES 
Correspondant à l'histoire de la maladie. Pas d'autre signes.

ANTÉCÉDENTS MÉDICAUX :
1. Appendicectomie.
2. Amygdalectomie et une adénoïdectomie.
3. Chirurgie bilatérale de la cataracte.
4. HTA.

MODE DE VIE : 
Il a des antécédents de tabagisme qu'il a arrêté à l'âge de 37 ans. Il consomme une boisson alcoolisée par jour. Il est marié. Il est directeur de laboratoire à la retraite.

ANTÉCÉDENTS FAMILIAUX : 
Antécédents de tumeur solide dans sa famille mais aucun d'hémopathies malignes.

EXAMEN PHYSIQUE :
Le patient pèse 85,7 kg.

Section detection

Medkit provides a SectionTokenizer operation that takes a input segments containing full document texts and splits them into sections, returning a segment for each section.

The section tokenizer is configured with a list of trigger terms signaling the beginning of a section, and corresponding section names. Medkit provides a default list of possible sections (medkit-lib/medkit) but it is missing some sections that our document has, so we will manually define our own section rules:

from medkit.text.segmentation import SectionTokenizer

# Give a definition of the sections we may encounter
# with the section name and corresponding triggers
sections_definition = {
    "current_drugs": ["MÉDICAMENTS ACTUELS"],
    "clinical_exam": ["EXAMEN DES SYSTÈMES", "EXAMEN PHYSIQUE"],
    "allergies": ["ALLERGIES"],
    "antecedents": ["ANTÉCÉDENTS DE LA MALADIE ACTUELLE", "ANTÉCÉDENTS MÉDICAUX"],
    "family_history": ["ANTÉCÉDENTS FAMILIAUX"],
    "life_style": ["MODE DE VIE"]
}
section_tokenizer = SectionTokenizer(sections_definition, output_label="section")

# The section tokenizer takes a list of segments as input
# and returns a list of segments for each section, with
# a "section" attribute containing the section name
section_segs = section_tokenizer.run([doc.raw_segment])
for section_seg in section_segs:
    section_attr = section_seg.attrs.get(label="section")[0]
    print("section", section_attr.value)
    print(section_seg.text, end="\n\n\n")

section head
PLAINTE PRINCIPALE :
Thrombocytose essentielle.


section antecedents
ANTÉCÉDENTS DE LA MALADIE ACTUELLE : 
C'est un Monsieur de 64 ans que je suis pour une thrombocytose essentielle. Il a été initialement diagnostiqué lorsqu'il a vu un hématologue pour la première fois le 09/07/07. A cette époque, son nombre de plaquettes était de 1 240 000. Il a d'abord commencé à prendre de l'Hydrea 1000 mg par jour. Le 07/11/07, il a subi une biopsie de moelle osseuse, qui a montré une thrombocytose essentielle. Il était positif pour la mutation JAK-2. Le 11/06/07, ses plaquettes étaient à 766 000. Sa dose actuelle d'Hydrea est maintenant de 1500 mg les lundis et vendredis et de 1000 mg tous les autres jours. Il a déménagé à ABCD en décembre 2009 pour tenter d'améliorer la polyarthrite rhumatoïde de sa femme. Dans l'ensemble, il se porte bien. Il a un bon niveau d'énergie et son statut de performance ECOG est de 0. Absence de fièvre, frissons ou sueurs nocturnes. Pas d'adénopathie. Pas de nausées ni de vomissements. Aucun changement dans les habitudes intestinales ou vésicales.


section current_drugs
MÉDICAMENTS ACTUELS : 
Hydrea 1500 mg les lundis et vendredis et 1000 mg les autres jours de la semaine, Mecir 1cp/j, vitamine D 1/j, aspirine 80 mg 1/j et vitamine C 1/j


section allergies
ALLERGIES : 
Aucune allergie médicamenteuse connue.


section clinical_exam
EXAMEN DES SYSTÈMES 
Correspondant à l'histoire de la maladie. Pas d'autre signes.


section antecedents
ANTÉCÉDENTS MÉDICAUX :
1. Appendicectomie.
2. Amygdalectomie et une adénoïdectomie.
3. Chirurgie bilatérale de la cataracte.
4. HTA.


section life_style
MODE DE VIE : 
Il a des antécédents de tabagisme qu'il a arrêté à l'âge de 37 ans. Il consomme une boisson alcoolisée par jour. Il est marié. Il est directeur de laboratoire à la retraite.


section family_history
ANTÉCÉDENTS FAMILIAUX : 
Antécédents de tumeur solide dans sa famille mais aucun d'hémopathies malignes.


section clinical_exam
EXAMEN PHYSIQUE :
Le patient pèse 85,7 kg.

Sentence splitting

We have already seen sentence splitting previously and we will reuse the same code, with a little addition: we want the section information to be propagated onto the sentences, ie. we want to be able to tell in which section a sentence belongs.

For this, we will use the attrs_to_copy init parameter. It takes a list of labels that we want to copy from the input segments to the new sentences segments created by the operation. Here, we will use it to copy the “section” attribute of the section segments (which has the section name as value):

from medkit.text.segmentation import SentenceTokenizer

sentence_tokenizer = SentenceTokenizer(
    output_label="sentence",
    keep_punct=True,
    split_on_newlines=True,
    # Copy the "section" attribute
    attrs_to_copy=["section"],
)

# Run the sentence tokenizer on the section segments,
# not on the full text
sentence_segs = sentence_tokenizer.run(section_segs)

for sentence_seg in sentence_segs:
    # Retrieve the copied section attribute
    section_attr = sentence_seg.attrs.get(label="section")[0]
    print("section:", section_attr.value)
    print(sentence_seg.text, end="\n\n")

section: head
PLAINTE PRINCIPALE :

section: head
Thrombocytose essentielle.

section: antecedents
ANTÉCÉDENTS DE LA MALADIE ACTUELLE : 

section: antecedents
C'est un Monsieur de 64 ans que je suis pour une thrombocytose essentielle.

section: antecedents
Il a été initialement diagnostiqué lorsqu'il a vu un hématologue pour la première fois le 09/07/07.

section: antecedents
A cette époque, son nombre de plaquettes était de 1 240 000.

section: antecedents
Il a d'abord commencé à prendre de l'Hydrea 1000 mg par jour.

section: antecedents
Le 07/11/07, il a subi une biopsie de moelle osseuse, qui a montré une thrombocytose essentielle.

section: antecedents
Il était positif pour la mutation JAK-2.

section: antecedents
Le 11/06/07, ses plaquettes étaient à 766 000.

section: antecedents
Sa dose actuelle d'Hydrea est maintenant de 1500 mg les lundis et vendredis et de 1000 mg tous les autres jours.

section: antecedents
Il a déménagé à ABCD en décembre 2009 pour tenter d'améliorer la polyarthrite rhumatoïde de sa femme.

section: antecedents
Dans l'ensemble, il se porte bien.

section: antecedents
Il a un bon niveau d'énergie et son statut de performance ECOG est de 0.

section: antecedents
Absence de fièvre, frissons ou sueurs nocturnes.

section: antecedents
Pas d'adénopathie.

section: antecedents
Pas de nausées ni de vomissements.

section: antecedents
Aucun changement dans les habitudes intestinales ou vésicales.

section: current_drugs
MÉDICAMENTS ACTUELS : 

section: current_drugs
Hydrea 1500 mg les lundis et vendredis et 1000 mg les autres jours de la semaine, Mecir 1cp/j, vitamine D 1/j, aspirine 80 mg 1/j et vitamine C 1/j

section: allergies
ALLERGIES : 

section: allergies
Aucune allergie médicamenteuse connue.

section: clinical_exam
EXAMEN DES SYSTÈMES 

section: clinical_exam
Correspondant à l'histoire de la maladie.

section: clinical_exam
Pas d'autre signes.

section: antecedents
ANTÉCÉDENTS MÉDICAUX :

section: antecedents
1.

section: antecedents
Appendicectomie.

section: antecedents
2.

section: antecedents
Amygdalectomie et une adénoïdectomie.

section: antecedents
3.

section: antecedents
Chirurgie bilatérale de la cataracte.

section: antecedents
4.

section: antecedents
HTA.

section: life_style
MODE DE VIE : 

section: life_style
Il a des antécédents de tabagisme qu'il a arrêté à l'âge de 37 ans.

section: life_style
Il consomme une boisson alcoolisée par jour.

section: life_style
Il est marié.

section: life_style
Il est directeur de laboratoire à la retraite.

section: family_history
ANTÉCÉDENTS FAMILIAUX : 

section: family_history
Antécédents de tumeur solide dans sa famille mais aucun d'hémopathies malignes.

section: clinical_exam
EXAMEN PHYSIQUE :

section: clinical_exam
Le patient pèse 85,7 kg.

Family history detection

In this document, we have a section dedicated to family medical history, but, this is not always the case. To handle this, medkit provides a FamilyDetector operation based on regular expressions. It is somewhat similar to the RegexpMatcher we have previously seen, but instead of returning entities, it attaches attributes to the segments it receives, with a boolean value indicating whether it mentions family history.

Like most rule-based medkit operations, FamilyDetector comes with predefined rules that will be used by default if you don’t provide any. For the sake of learning, we will manually create a few rules:

from medkit.text.context import FamilyDetector, FamilyDetectorRule

family_rule_1 = FamilyDetectorRule(
    # Pattern to search inside each input segment.
    # If the pattern is found, the segment will be flagged
    # as being related to family history
    regexp=r"\bfamille\b",
    # Optional exclusions patterns: if found,
    # the segment won't be flagged
    # (Exclusion regexps are also supported for RegexpMatcher)
    exclusion_regexps=[r"\bavec\s+la\s+famille\b"],
    # The regexp will be used with a case-insensitivity flag
    case_sensitive=False,
    # Special chars in the input text will be converted
    # to equivalent ASCII char before runing the regexp on it
    unicode_sensitive=False,
)

family_rule_2 = FamilyDetectorRule(
    regexp=r"\bantecedents\s+familiaux\b",
    case_sensitive=False,
    unicode_sensitive=False,
)

family_detector = FamilyDetector(rules=[family_rule_1, family_rule_2], output_label="family")
# The family detector doesn't return anything but instead adds an attribute to each
# segment with a boolean value indicating if description of family history was detected or not
family_detector.run(sentence_segs)

# Print sentences detected as being related to family history
for sentence_seg in sentence_segs:
    # Retrieve the attribute created by the family detector
    family_attr = sentence_seg.attrs.get(label="family")[0]
    # Only print sentences about family history
    if family_attr.value:
        print(sentence_seg.text)

ANTÉCÉDENTS FAMILIAUX : 
Antécédents de tumeur solide dans sa famille mais aucun d'hémopathies malignes.

As with all rule-based operations, FamilyDetector provides load_rules() and save_rules() methods to help you store then in a yaml file.

Negation detection

Detecting family history work best at the sentence level, but for negation and hypothesis it is better to split sentences into smaller chunks, as the scope of negation and hypothesis can be very limited. For this purpose, medkit comes with a SyntagmaTokenizer operation.

from medkit.text.segmentation import SyntagmaTokenizer

# Here we will use the default settings of SyntagmaTokenizer,
# but you can specify your own separator patterns
syntagma_tokenizer = SyntagmaTokenizer(
    output_label="syntagma",
    # We want to keep the section and family history information
    # at the syntagma level
    attrs_to_copy=["section", "family"],
)
# The syntagma tokenizer expects sentence segments as input
syntagma_segs = syntagma_tokenizer.run(sentence_segs)

for syntagma_seg in syntagma_segs:
    print(syntagma_seg.text)

PLAINTE PRINCIPALE :
Thrombocytose essentielle.
ANTÉCÉDENTS DE LA MALADIE ACTUELLE :
C'est un Monsieur de 64 ans que je suis pour une thrombocytose essentielle.
Il a été initialement diagnostiqué
lorsqu'il a vu un hématologue pour la première fois le 09/07/07.
A cette époque, son nombre de plaquettes était de 1 240 000.
Il a d'abord commencé à prendre de l'Hydrea 1000 mg par jour.
Le 07/11/07, il a subi une biopsie de moelle osseuse,
qui a montré une thrombocytose essentielle.
Il était positif pour la mutation JAK-2.
Le 11/06/07, ses plaquettes étaient à 766 000.
Sa dose actuelle d'Hydrea est maintenant de 1500 mg les lundis et vendredis et de 1000 mg tous les autres jours.
Il a déménagé à ABCD en décembre 2009 pour tenter d'améliorer la polyarthrite rhumatoïde de sa femme.
Dans l'ensemble,
il se porte bien.
Il a un bon niveau d'énergie et son statut de performance ECOG est de 0.
Absence de fièvre, frissons ou sueurs nocturnes.
Pas d'adénopathie.
Pas de nausées ni de vomissements.
Aucun changement dans les habitudes intestinales ou vésicales.
MÉDICAMENTS ACTUELS :
Hydrea 1500 mg les lundis et vendredis et 1000 mg les autres jours de la semaine, Mecir 1cp/j, vitamine D 1/j, aspirine 80 mg 1/j et vitamine C 1/j
ALLERGIES :
Aucune allergie médicamenteuse connue.
EXAMEN DES SYSTÈMES
Correspondant à l'histoire de la maladie.
Pas d'autre signes.
ANTÉCÉDENTS MÉDICAUX :
1.
Appendicectomie.
2.
Amygdalectomie et une adénoïdectomie.
3.
Chirurgie bilatérale de la cataracte.
4.
HTA.
MODE DE VIE :
Il a des antécédents de tabagisme qu'il a arrêté à l'âge de 37 ans.
Il consomme une boisson alcoolisée par jour.
Il est marié.
Il est directeur de laboratoire à la retraite.
ANTÉCÉDENTS FAMILIAUX :
Antécédents de tumeur solide dans sa famille
mais aucun d'hémopathies malignes.
EXAMEN PHYSIQUE :
Le patient pèse 85,7 kg.

As you can see, a few sentences where split into smaller parts. We can now run a NegationDetector instance on the syntagmas (using the default rules file).

from medkit.text.context import NegationDetector, NegationDetectorRule

# NegationDetectorRule objects have the same structure as FamilyDetectorRule
# Here we will use the default rules
negation_detector = NegationDetector(output_label="negation")
negation_detector.run(syntagma_segs)

# Display negated syntagmas
for syntagma_seg in syntagma_segs:
    negation_attr = syntagma_seg.attrs.get(label="negation")[0]
    if negation_attr.value:
        print(syntagma_seg.text)

Absence de fièvre, frissons ou sueurs nocturnes.
Pas d'adénopathie.
Pas de nausées ni de vomissements.
Aucun changement dans les habitudes intestinales ou vésicales.
Aucune allergie médicamenteuse connue.
Pas d'autre signes.
mais aucun d'hémopathies malignes.

Hypothesis detection

Medkit’s HypothesisDetector is very similar to NegationDetector, except that in addition to a list of rules, it also uses a list of conjugated verb forms. By default, verbs at conditional and future tenses will be considered to indicate the presence of an hypothesis. This can be configured, as well as the list of verbs which is far from exhaustive.

from medkit.text.context import HypothesisDetector

hypothesis_detector = HypothesisDetector(output_label="hypothesis")
hypothesis_detector.run(syntagma_segs)

# Display hypothesis syntagmas
for syntagma_seg in syntagma_segs:
    hypothesis_attr = syntagma_seg.attrs.get(label="hypothesis")[0]
    if hypothesis_attr.value:
        print(syntagma_seg.text)

As you can see, no hypothesis was detected in this document.

Warning

The default settings (rules and verbs) of HypothesisDetector are far from complete and may not give satisfactory results. If you plan on using HypothesisDetector, you will need to come up with your own set of regexp rules and conjugated verbs that work well for you data.

Passing context information to matched entities

Now that we have gathered all this contextual information, we want to propagate it to the entities that we will find in the document. This is easily done by using the attrs_to_copy mechanism that we have already seen, and that is available for all NER operations:

from medkit.text.ner.hf_entity_matcher import HFEntityMatcher

# Create a matcher using a pretrained HuggingFace model
drbert_matcher = HFEntityMatcher(
    model="medkit/DrBERT-CASM2",
    attrs_to_copy=["section", "family", "hypothesis", "negation"],
)
# Run the matcher on the appropriate input segments
# and add the entities found back to the document
entities = drbert_matcher.run(syntagma_segs)
for entity in entities:
    doc.anns.add(entity)

# Print all entities with their contextual attributes
for entity in doc.anns.entities:
    print(entity.label, ":", entity.text)
    section_attr = entity.attrs.get(label="section")[0]
    print("section:", section_attr.value)
    family_attr = entity.attrs.get(label="family")[0]
    print("family:", family_attr.value)
    negation_attr = entity.attrs.get(label="negation")[0]
    print("negation:", negation_attr.value)
    hypothesis_attr = entity.attrs.get(label="hypothesis")[0]
    print("hypothesis:", hypothesis_attr.value)
    print()

problem : Thrombocytose essentielle
section: head
family: False
negation: False
hypothesis: False

problem : thrombocytose essentielle
section: antecedents
family: False
negation: False
hypothesis: False

test : nombre
section: antecedents
family: False
negation: False
hypothesis: False

test : plaquettes
section: antecedents
family: False
negation: False
hypothesis: False

treatment : Hydrea
section: antecedents
family: False
negation: False
hypothesis: False

test : biopsie de moelle osseuse
section: antecedents
family: False
negation: False
hypothesis: False

problem : thrombocytose essentielle
section: antecedents
family: False
negation: False
hypothesis: False

problem : mutation JAK-2
section: antecedents
family: False
negation: False
hypothesis: False

treatment : Hydrea
section: antecedents
family: False
negation: False
hypothesis: False

problem : polyarthrite rhumatoïde
section: antecedents
family: False
negation: False
hypothesis: False

test : d
section: antecedents
family: False
negation: False
hypothesis: False

test : énergie
section: antecedents
family: False
negation: False
hypothesis: False

test : statut de performance ECOG
section: antecedents
family: False
negation: False
hypothesis: False

problem : fièvre
section: antecedents
family: False
negation: True
hypothesis: False

problem : frissons
section: antecedents
family: False
negation: True
hypothesis: False

problem : sueurs nocturnes
section: antecedents
family: False
negation: True
hypothesis: False

problem : adénopathie
section: antecedents
family: False
negation: True
hypothesis: False

problem : nausées
section: antecedents
family: False
negation: True
hypothesis: False

problem : vomissements
section: antecedents
family: False
negation: True
hypothesis: False

treatment : vitamine D
section: current_drugs
family: False
negation: False
hypothesis: False

treatment : aspirine
section: current_drugs
family: False
negation: False
hypothesis: False

treatment : vitamine C
section: current_drugs
family: False
negation: False
hypothesis: False

problem : allergie médicamenteuse
section: allergies
family: False
negation: True
hypothesis: False

test : EXAMEN DES SYSTÈMES
section: clinical_exam
family: False
negation: False
hypothesis: False

treatment : Appendicectomie
section: antecedents
family: False
negation: False
hypothesis: False

treatment : Amygdalectomie
section: antecedents
family: False
negation: False
hypothesis: False

treatment : adénoïdectomie
section: antecedents
family: False
negation: False
hypothesis: False

treatment : Chirurgie bilatérale de la cataracte
section: antecedents
family: False
negation: False
hypothesis: False

problem : tabagisme
section: life_style
family: False
negation: False
hypothesis: False

problem : tumeur solide
section: family_history
family: True
negation: False
hypothesis: False

problem : hémopathies malignes
section: family_history
family: True
negation: True
hypothesis: False

test : EXAMEN PHYSIQUE
section: clinical_exam
family: False
negation: False
hypothesis: False

problem : pèse
section: clinical_exam
family: False
negation: False
hypothesis: False

Let’s visualize this in context with displacy:

from spacy import displacy
from medkit.text.spacy.displacy_utils import medkit_doc_to_displacy

# Define a custom formatter that will also display some context flags
# ex: "disorder[fn]" for an entity with label "disorder" and
# family and negation attributes set to True
def _custom_formatter(entity):
    label = entity.label
    flags = []
    
    family_attr = entity.attrs.get(label="family")[0]
    if family_attr.value:
        flags.append("f")
    negation_attr = entity.attrs.get(label="negation")[0]
    if negation_attr.value:
        flags.append("n")
    hypothesis_attr = entity.attrs.get(label="hypothesis")[0]
    if hypothesis_attr.value:
        flags.append("h")

    if flags:
        label += "[" + "".join(flags) + "]"
    
    return label

# Pass the formatter to medkit_doc_to_displacy()
displacy_data = medkit_doc_to_displacy(doc, entity_formatter=_custom_formatter)
displacy.render(docs=displacy_data, manual=True, style="ent")

PLAINTE PRINCIPALE :
Thrombocytose essentielleproblem .

ANTÉCÉDENTS DE LA MALADIE ACTUELLE :
C’est un M. de 64 ans que je suis pour une thrombocytose essentielleproblem . Il a été initialement diagnostiqué lorsqu’il a vu un hématologue pour la première fois le 09/07/07. A cette époque, son nombretest de plaquettestest était de 1 240 000. Il a d’abord commencé à prendre de l’ Hydreatreatment 1000 mg par jour. Le 07/11/07, il a subi une biopsie de moelle osseusetest , qui a montré une thrombocytose essentielleproblem . Il était positif pour la mutation JAK-2problem . Le 11/06/07, ses plaquettes étaient à 766 000. Sa dose actuelle d’ Hydreatreatment est maintenant de 1500 mg les lundis et vendredis et de 1000 mg tous les autres jours. Il a déménagé à ABCD en décembre 2009 pour tenter d’améliorer la polyarthrite rhumatoïdeproblem de sa femme. Dans l’ensemble, il se porte bien. Il a un bon niveau dtest ‘ énergietest et son statut de performance ECOGtest est de 0. Absence de fièvreproblem[n] , frissonsproblem[n] ou sueurs nocturnesproblem[n] . Pas d’ adénopathieproblem[n] . Pas de nauséesproblem[n] ni de vomissementsproblem[n] . Aucun changement dans les habitudes intestinales ou vésicales.

MÉDICAMENTS ACTUELS :
Hydrea 1500 mg les lundis et vendredis et 1000 mg les autres jours de la semaine, Mecir 1cp/j, vitamine Dtreatment 1/j, aspirinetreatment 80 mg 1/j et vitamine Ctreatment 1/j

ALLERGIES :
Aucune allergie médicamenteuseproblem[n] connue.

EXAMEN DES SYSTÈMEStest  
Correspondant à l’histoire de la maladie. Pas d’autre signes.

ANTÉCÉDENTS MÉDICAUX :
1. Appendicectomietreatment .
2. Amygdalectomietreatment et une adénoïdectomietreatment .
3. Chirurgie bilatérale de la cataractetreatment .
4. HTA.

MODE DE VIE :
Il a des antécédents de tabagismeproblem qu’il a arrêté à l’âge de 37 ans. Il consomme une boisson alcoolisée par jour. Il est marié. Il est directeur de laboratoire à la retraite.

ANTÉCÉDENTS FAMILIAUX :
Antécédents de tumeur solideproblem[f] dans sa famille mais aucun d’ hémopathies malignesproblem[fn] .

EXAMEN PHYSIQUEtest  :
Le patient pèseproblem 85.7 kg.

Adding context attributes a posteriori

What if we already have some entities that we imported from another source and we want to attach the contextual information that we obtain with medkit operations? In that case it is possible to use the AttributeDuplicator operation, that makes it possible to copy attributes a posteriori without using the attrs_to_copy parameter.

Wrapping it up

In this tutorial, we have seen how medkit can help you to detect contextual information with built-in rule-based detectors, for which the rules can be customized.

These detectors can be run on segments of different granularity, such as sentences or syntagmas, and the results are stored in attributes.

In order to make these contextual attributes propagate from the outer-most segments down to the entities matched, we use the attrs_to_copy operation init parameter.